tuzsutТруды учебных заведений связиProceedings of Telecommunication Universities1813-324X2712-8830СПбГУТ10.31854/1813-324X-2025-11-4-18-27UOYTAYtuzsut-695Research ArticleЭЛЕКТРОНИКА, ФОТОНИКА, ПРИБОРОСТРОЕНИЕ И СВЯЗЬELECTRONICS, PHOTONICS, INSTRUMENTATION AND COMMUNICATIONSИнтеллектуальная бессерверная вычислительная система для услуг телеприсутствияIntelligent Serverless Computing System for Telepresence Serviceshttps://orcid.org/0009-0002-1659-8169Аль-КереаЗ.А. Х.Al-KereaZ.A. H.

аспирант кафедры сетей связи и передачи данных Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича

al-kerea.zah@sut.ruhttps://orcid.org/0000-0003-0213-8145МутханнаА.С. А.MuthannaА.S. A.

доктор технических наук, доцент, профессор кафедры сетей связи и передачи данных Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича

muthanna.asa@sut.ruhttps://orcid.org/0000-0003-4479-2479КучерявыйА. Е.KoucheryavyА. Е.

доктор технических наук, профессор, заведующий кафедрой сетей связи и передачи данных Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича

akouch@sut.ruСанкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-БруевичаРоссияThe Bonch-Bruevich Saint Petersburg State University of TelecommunicationsRussian Federation2025010920251141827Copyright © Аль-Кереа З.Х., Мутханна А.А., Кучерявый А.Е., 20252025Аль-Кереа З.Х., Мутханна А.А., Кучерявый А.Е.Al-Kerea Z.H., Muthanna А.A., Koucheryavy А.Е.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tuzs.sut.ru/jour/article/view/695Актуальность

Актуальность. В статье рассматривается проблема совместной оптимизации миграции сервисов и распределения ресурсов (SMRA) в среде периферийных мобильных вычислений с множественным доступом (MEC) для снижения задержки в системах телеприсутствия. MEC расширяет возможности облачных вычислений путем перемещения сервисов на границу сети максимально близко к пользователям, решая проблему задержки доступа. Однако высокая мобильность устройств и ограниченные ресурсы периферийных серверов усложняют поддержание качества обслуживания. Процесс миграции сервисов сам по себе приводит к дополнительной задержке, а различные серверы и пользовательские устройства имеют свои уникальные требования и политику распределения ресурсов, что требует сбалансированного подхода к решению данной задачи. Несмотря на достижения в области телеприсутствия, такие как высококачественные видеофайлы и пространственный звук, виртуальная и дополненная реальность, эффективное функционирование этих систем требует надежной инфраструктуры и минимальных задержек при взаимодействии.

Постановка задачи

Постановка задачи. В данной работе мы предлагаем совместный алгоритм SMRA+МЕС, который учитывает специфику систем телеприсутствия, а также решает задачу оптимального распределения ресурсов и необходимости миграции сервисов.

Цель работы

Цель работы. Разработка и оценка эффективности совместного алгоритма SMRA+МЕС, адаптированного для систем телеприсутствия.

Методы исследования

Методы исследования. Для достижения поставленной цели в работе будут использованы математические модели для формализации задачи SMRA+МЕС с учетом параметров систем телеприсутствия.

Результаты исследования показывают, что предложенный алгоритм обеспечивает значительное снижение задержки ‒ на 50 %.

Научная новизна

Научная новизна. Рассматривается новый способ расчета задержки, который позволяет минимизировать задержку и распределять ресурсы более оптимально. Показано, что комбинирование методов SMRA+МЕС является наиболее эффективным подходом к минимизации задержек.

Практическая значимость

Практическая значимость. Разработанный алгоритм SMRA+МЕС может быть использован операторами мобильной связи для оптимизации развертывания и управления MEC-инфраструктурой, обеспечивая высококачественное обслуживание для приложений телеприсутствия.

Relevance

Relevance. This article addresses the problem of Joint Service Migration and Resource Allocation (SMRA) optimization in a Multi-access Edge Computing (MEC) environment, aiming to reduce latency in telepresence systems. MEC enhances cloud computing capabilities by relocating services to the network edge, as close as possible to users, thus resolving access latency issues. However, the high mobility of devices and the limited resources of edge servers complicate the maintenance of Quality of Service. The service migration process itself introduces additional latency, and different servers and user devices have their own unique requirements and resource allocation policies, necessitating a balanced approach to solving this problem. Despite advancements in the field of telepresence, such as high-quality video and spatial audio, virtual reality, and augmented reality, the effective operation of these systems requires a robust infrastructure and minimal interaction delays.

Problem statement

Problem statement. In this work, we propose a joint SMRA+MEC algorithm that considers the specific characteristics of telepresence systems and addresses the problem of optimal resource allocation and the necessity of service migration.

Purpose of the work

Purpose of the work. Development and evaluation of the effectiveness of a joint SMRA+MEC algorithm adapted for telepresence systems.

Methods used

Methods used. To achieve the stated goal, mathematical models will be used in this work to formalize the SMRA+MEC problem, taking into account the parameters of telepresence systems.

The results show that the proposed algorithm achieves a significant latency reduction of 50 %.

Scientific novelty

Scientific novelty. A novel method for calculating latency is presented, which allows for minimizing latency and allocating resources more optimally. It is shown that combining SMRA+MEC methods is the most effective approach to latency minimization.

Practical significance

Practical significance. The developed SMRA+MEC algorithm can be used by mobile operators to optimize the deployment and management of MEC infrastructure, providing high-quality service for telepresence applications.

телеприсутствиеMECSMRAзадержканагрузка на сетьраспределение ресурсовtelepresenceMECSMRAlatencynetwork loadresource allocationReferencesAteya A.A., Abd El-Latif A.A., Muthanna A., Volkov A., Koucheryavy A. Enabling Metaverse and Telepresence Services in 6G Networks. New York: CRC Press, 2025. DOI:10.1201/9788770046749Ateya A.A., Abd El-Latif A.A., Muthanna A., Volkov A., Koucheryavy A. Enabling Metaverse and Telepresence Services in 6G Networks. New York: CRC Press; 2025. DOI:10.1201/9788770046749Thang D.V., Volkov A., Muthanna A., Koucheryavy A., Ateya A.A., Jayakody D.N.K. Future of Telepresence Services in the Evolving Fog Computing Environment: A Survey on Research and Use Cases // Sensors. 2025. Vol. 25. Iss. 11. P. 3488. DOI:10.3390/s25113488Thang D.V., Volkov A., Muthanna A., Koucheryavy A., Ateya A.A., Jayakody D.N.K. Future of Telepresence Services in the Evolving Fog Computing Environment: A Survey on Research and Use Cases. Sensors. 2025;25(11):3488. DOI:10.3390/s25113488Van Thang D., Volkov A., Muthanna A., Elgendy I.A., Alkanhel R., Jayakody D.N.K., Koucheryavy A. A Framework Integrating Federated Learning and Fog Computing Based on Client Sampling and Dynamic Thresholding Techniques // IEEE Access. 2025. Vol. 13. PP. 95019‒95033. DOI:10.1109/ACCESS.2025.3571979Van Thang D., Volkov A., Muthanna A., Elgendy I.A., Alkanhel R., Jayakody D.N.K., Koucheryavy A. A Framework Integrating Federated Learning and Fog Computing Based on Client Sampling and Dynamic Thresholding Techniques. IEEE Access. 2025;13: 95019‒95033. DOI:10.1109/ACCESS.2025.3571979Taleb T., Samdanis K., Mada B., Flinck H., Dutta S., Sabella D. On Multi-Access Edge Computing: A Survey of the Emerging 5G Network Edge Cloud Architecture and Orchestration // IEEE Communications Surveys & Tutorials. 2017. Vol. 19. Iss. 3. PP. 1657–1681. DOI:10.1109/COMST.2017.2705720Taleb T., Samdanis K., Mada B., Flinck H., Dutta S., Sabella D. On Multi-Access Edge Computing: A Survey of the Emerging 5G Network Edge Cloud Architecture and Orchestration. IEEE Communications Surveys & Tutorials. 2017;19(3):1657–1681. DOI:10.1109/COMST.2017.2705720Чистова Н.А., Парамонов А.И., Кучерявый А.Е. Метод формирования цифровых кластеров сетей связи пятого и последующих поколений на основе качества предоставления услуг // Электросвязь. 2020. № 7. С. 22‒28. DOI:10.34832/ELSV.2020.8.7.003. EDN:QDEUQGChistova N.A., Paramonov A.I., Koucheryavy A.E. The method of forming the digital clusters for communication networks of fifth and subsequent generations based on QoS. Electrosvyaz. 2020;7:22‒28. (in Russ.) DOI:10.34832/ELSV.2020.8.7.003. EDN:QDEUQGYu H., Ming Z., Wang C., Taleb T. Network Slice Mobility for 6G Networks by Exploiting User and Network Prediction // Proceedings of the International Conference on Communications (ICC, Rome, Italy, 28 May ‒ 01 June 2023). IEEE, 2023. DOI:10.1109/ICC45041.2023.10279739Yu H., Ming Z., Wang C., Taleb T. Network Slice Mobility for 6G Networks by Exploiting User and Network Prediction. Proceedings of the International Conference on Communications, ICC, 28 May ‒ 01 June 2023, Rome, Italy. IEEE; 2023. DOI:10.1109/ICC45041.2023.10279739Addad R.A., Dutra D.L.C., Taleb T., Flinck H. Toward Using Reinforcement Learning for Trigger Selection in Network Slice Mobility // IEEE Journal on Selected Areas in Communications. 2021. Vol. 39. Iss. 7. PP. 2241–2253. DOI:10.1109/jsac.2021.3078501. EDN:UGJVKCAddad R.A., Dutra D.L.C., Taleb T., Flinck H. Toward Using Reinforcement Learning for Trigger Selection in Network Slice Mobility. IEEE Journal on Selected Areas in Communications. 2021;39(7):2241–2253. DOI:10.1109/jsac.2021.3078501. EDN:UGJVKCВолков А.Н., Мутханна А.С.А., Кучерявый А.Е., Бородин А.С., Парамонов А.И., Владимиров С.С. и др. Перспективные исследования сетей и услуг 2030 в лаборатории 6G MEGANETLAB СПБГУТ // Электросвязь. 2023. № 6. С. 5‒14. DOI:10.34832/ELSV.2023.43.6.001. EDN:CJSYLSVolkov A.N., Muthanna A.S.A., Kucheryavy A.E., Borodin A.S., Paramonov A.I., Vladimirov S.S. et al. Perspective research of networks and services 2030 in the laboratory 6G MEGANETLAB SPBSUT. Electrosvyaz. 2023;6:5‒14. (in Russ.) DOI:10.34832/ ELSV.2023.43.6.001. EDN:CJSYLSHu L., Tian Y., Yang J., Taleb T., Xiang L., Hao Y. Ready Player One: UAV-Clustering-Based Multi-Task Offloading for Vehicular VR/AR Gaming // IEEE Network. 2019. Vol. 33. Iss. 3. PP. 42–48. DOI:10.1109/MNET.2019.1800357Hu L., Tian Y., Yang J., Taleb T., Xiang L., Hao Y. Ready Player One: UAV-Clustering-Based Multi-Task Offloading for Vehicular VR/AR Gaming. IEEE Network. 2019;33(3):42–48. DOI:10.1109/MNET.2019.1800357Chen Y., Sun Y., Wang C., Taleb T. Dynamic Task Allocation And Service Migration in Edge-Cloud IoT System Based on Deep Reinforcement Learning // IEEE Internet of Things Journal. 2022. Vol. 9. Iss. 18. PP. 16742–16757. DOI:10.1109/JIOT. 2022.3164441. EDN:XSAUULChen Y., Sun Y., Wang C., Taleb T. Dynamic Task Allocation And Service Migration in Edge-Cloud IoT System Based on Deep Reinforcement Learning. IEEE Internet of Things Journal. 2022;9(18):16742–16757. DOI:10.1109/JIOT.2022.3164441. EDN:XSAUULMing Z., Li X., Sun C., Fan Q., Wang X., Leung V.C.M. Dependency-Aware Hybrid Task Offloading in Mobile Edge Computing Networks // Proceedings of the International Conference on Parallel and Distributed Systems (ICPADS, Beijing, China, 14‒16 December 2021). IEEE, 2021. PP. 225–232. DOI:10.1109/ICPADS53394.2021.00034Ming Z., Li X., Sun C., Fan Q., Wang X., Leung V.C.M. Dependency-Aware Hybrid Task Offloading in Mobile Edge Computing Networks. Proceedings of the International Conference on Parallel and Distributed Systems, ICPADS, 14‒16 December 2021, Beijing, China. IEEE; 2021. p.225–232. DOI:10.1109/ICPADS53394.2021.00034

The authors declare that there are no conflicts of interest present.